May, 2020

合成学习：从分布式异步鉴别器 GAN 中学习，无需共享医学影像数据

PDF
TL;DR提出分布式异步鉴别器 GAN (Distributed Asynchronized Discriminator GAN, AsynDGAN) 数据隐私保护和通信效率的 GAN 训练框架，通过中央生成模型从多个数据集的分布鉴别器学习，生成的生成模型分割模型主要用于保护医学图像数据的隐私，实验证明该方法能够从多个数据集中学习真实图像分布，比其他分布式深度学习方法具有更高的效率，并且具有可证明的保证。
data privacydistributed gansegmentation modelefficiencyhealth entities
发现论文，激发创造
  • 用于生成对抗网络的动态遮挡鉴别器

    从在线持续学习的角度出发，提出了一种新颖的 GAN 方法，通过将生成的数据视为流来训练鉴别器模型，并自动检测其阻塞并动态遮罩其特征，使其能够适应临时变化的生成数据分布。实验结果表明，该方法优于现有的最先进方法。

    Jun, 2023

  • 差分隐私生成对抗网络

    本文通过在学习过程中添加特别设计的梯度噪声来实现差分隐私的生成对抗网络（DPGAN），以解决 GAN 在应用于私人或敏感数据时可能泄露关键信息的问题，并提供隐私保障的严格证明和全面的实证证据。

    Feb, 2018

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 使用卷积 GAN 产生差分隐私的合成医疗数据

    本篇论文提出了一种基于不同 ially private 框架和卷积自编码器以及卷积生成对抗网络生成合成数据的方法，以应对使用医疗记录数据所面临的隐私困难，该方法能够捕捉到原始数据中存在的时间信息和特征相关性，并在有监督和无监督情况下使用公开可用的标准医疗数据集，优于现有的同类方法。

    Dec, 2020

  • 基于 GAN 的皮肤病应用生成建模 -- 比较研究

    利用生成对抗网络 (GANs) 创建合成数据是解决医疗数据库隐私政策问题的好方法。本文探讨了集中式和分散式条件和非条件 GANs 的性能以及其在现实和理想情况下生成病变数据的能力，并说明了 GANs 训练过程中潜空间和嵌入可视化的技术，以及 GANs 的真实性和泛化性评估等问题。

    Aug, 2022

  • 保护和扩展 —— 使用 GAN 生成时间序列医疗记录的合成数据

    通过比较各种使用生成对抗网络的合成数据生成模型，研究证明了隐私保护生成对抗网络（PPGAN）模型在保护隐私的同时保持了可接受的生成数据质量，为将来医疗应用提供更好的数据保护。

    Feb, 2024

  • 基于生成对抗网络的合成学习和用于脊柱放射线图像域的新型损失项

    使用生成对抗网络合成异常脊柱放射图像，通过临床分类任务证明了合成数据的实用性和有效性，并且引入临床损失项可以提高生成准确度和加速模型训练；对于中小型医学数据集，微分隐私实现会严重妨碍 GAN 的训练。

    May, 2022

  • MD-GAN: 分布式数据集的多鉴别器生成对抗网络

    本文提出了 MD-GAN，这是一个新颖的学习过程；将其与改编后的联邦学习进行比较，使用 MNIST 和 CIFAR10 数据集，MD-GAN 表现出了每个工作节点上的学习复杂度降低两倍，同时在两个数据集上提供了比联邦学习更好的性能。

    Nov, 2018

  • 使用生成对抗网络进行医学图像合成的数据增强和匿名化

    本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

    Jul, 2018

  • 利用 GAN 增强医学图像从有限数据中合成逼真图像

    通过引入生成对抗网络（GANs）的创新方法，我们提出了一种合成医学图像的方法，通过深度卷积神经网络（CNNs）架构的生成器和鉴别器网络以及对抗训练方法，即使在有限的真实医学图像数据训练下，也能生成逼真的合成图像，并成功模拟了真实医学图像的结构和纹理特征。

    May, 2024